Combinaison de réseaux de neurones convolutionnels avec des couches de mémoire à long court terme pour prédire la progression de la maladie de Parkinson

Résumé La maladie de Parkinson (MP) est une condition neurologique qui survient chez près de 1 % de la population mondiale. La maladie se manifeste par une chute brutale de la production de dopamine, résultant de la mort des cellules productrices dans une zone du mésencéphale appelée la substantia nigra. Un diagnostic précoce et un stadification précise de la maladie sont essentiels pour appliquer les approches thérapeutiques appropriées afin de ralentir le déclin cognitif et moteur. Actuellement, il n'existe pas de test sanguin ou de biomarqueur unique accessible pour diagnostiquer la MP ou surveiller la progression de ses symptômes. Les professionnels de la santé identifient la maladie en évaluant les symptômes qui, cependant, peuvent varier d'un cas à l'autre, ainsi que leur vitesse de progression. L’imagerie par résonance magnétique (IRM) est utilisée depuis trois décennies pour diagnostiquer et distinguer la MP d'autres conditions neurologiques. Cependant, à notre connaissance, aucun modèle de réseau de neurones n’a été conçu pour identifier le stade de la maladie. Cet article vise à combler cette lacune. En utilisant le jeu de données de l'« Initiative des marqueurs de progression de la maladie de Parkinson », qui rapporte l'IRM du patient et une indication du stade de la maladie, nous avons développé un modèle pour identifier le niveau de progression. Les images et les scores associés ont été utilisés pour former et évaluer différents modèles d'apprentissage profond. Notre analyse a distingué quatre niveaux distincts de progression de la maladie basé sur une échelle standard (échelle de Hoehn et Yah). L'architecture finale est constituée de la cascade d'un réseau 3D‐CNN, adopté pour réduire et extraire les caractéristiques spatiales de l'IRM pour un entraînement efficace des couches LSTM successives, visant à modéliser les dépendances temporelles parmi les données. Avant de former le modèle, l’IRM du patient est prétraitée pour corriger les erreurs d'acquisition en appliquant des techniques d'enregistrement d'images, afin d'extraire le contenu non pertinent de l'image, tel que les tissus non cérébraux (par exemple, le crâne, le cou, la graisse). Nous avons également adopté des techniques d'augmentation de données basées sur des modèles pour obtenir un jeu de données équilibré concernant les classes de progression. Nos résultats montrent que le modèle proposé 3D‐CNN + LSTM atteint des résultats à la pointe de la technologie en classifiant les éléments avec 91,90 comme AUC OVR moyen macro sur quatre classes.